← 返回论文列表

Dr-PoGO：直接雷达位姿图优化
Dr-PoGO: Direct Radar Pose-Graph Optimization

作者: Cedric Le Gentil, Weican Li, Leonardo Brizi 等4人
arXiv: 2605.04806v1
分类: cs.RO
📝 论文摘要
本文介绍了Dr-PoGO——一种利用二维旋转雷达进行同时定位与地图构建（SLAM）的方法。与依赖视线的摄像头或激光雷达不同，毫米波雷达能够穿透灰尘、飘雪、降雨等介质，因此是一种适用于各种天气条件的鲁棒感知模式。现有大多数基于雷达的SLAM方法依赖点云或特征提取进行自运动估计，而Dr-PoGO则利用直接配准技术实现里程计（DRO）与回环检测配准。采用现成的雷达专用位置识别算法RaPlace提供回环候选。由于RaPlace不提供相对变换，Dr-PoGO引入了一种由粗到精的配准方法，利用视觉特征与描述子获得初始猜测，进而进行直接变换精化。全局轨迹通过位姿图优化进行优化。Dr-PoGO在多个真实车载环境中共计300公里数据上展示了最先进的性能。我们的实现已公开：https://github.com/utiasASRL/dr_pogo。

📊 核心分析

🎯 研究动机
- 现有基于雷达的**SLAM** 方法大多依赖提取点云或特征进行自我运动估计，但在恶劣天气（如灰尘、雪、雨）下，**毫米波雷达(millimetre-wave radar)** 具有穿透能力，是鲁棒感知的理想模态 - 需要一种不依赖点云或特征提取的直接配准方法，以提升雷达SLAM在复杂环境中的性能 - 现有雷达回环检测方法（如**RaPlace**）仅提供候选位置，但不提供相对变换，需要额外的配准步骤
🔧 核心方法
- 提出**Dr-PoGO** 框架，采用**直接配准(direct registration)** 技术进行里程计（DRO）和回环闭合配准 - 利用现成的雷达场所识别算法**RaPlace** 生成回环候选，并设计**粗到细(coarse-to-fine)** 配准流程：先用视觉特征和描述子获得初始变换猜测，再通过直接变换细化(refinement) - 最终在**位姿图优化(pose-graph optimization)** 中全局优化轨迹
💡 核心创新
- **首创直接配准用于雷达SLAM**：不同于传统基于点云或特征的方法，直接利用原始雷达数据（强度等）进行配准，避免特征提取的精度损失 - **回环闭合的粗到细配准策略**：针对RaPlace不提供相对变换的问题，结合视觉特征初始估计与直接变换精化，实现高精度回环校正 - **端到端(end-to-end)实现**：从原始雷达数据到位姿图优化，无需人工特征工程或额外传感器
🏆 总体贡献
- 在超过**300公里** 的真实自动驾驶数据上达到**状态最优(SOTA)** 性能，验证了方法在多种天气条件下的鲁棒性 - 提供**开源实现** （GitHub: utiasASRL/dr_pogo），促进雷达SLAM领域的可复现性和后续研究 - 为恶劣环境下的鲁棒定位与建图提供了一种**直接配准新范式**，减少了对点云或特征提取的依赖